Construindo um modelo de regressão logística

Você pode construir um modelo de regressão logística usando o módulo linear_model do sklearn. Primeiro, crie um modelo de regressão logística usando o método LogisticRegression():

logreg = linear_model.LogisticRegression()

Em seguida, você precisa fornecer dados ao modelo de regressão logística para que ele possa ser ajustado. X contém as variáveis preditivas, enquanto y tem o alvo (target).

X = basetable[["predictor_1","predictor_2","predictor_3"]]`
y = basetable[["target"]]
logreg.fit(X,y)

Neste exercício, você vai construir seu primeiro modelo preditivo usando três preditores.

Este exercício faz parte do curso

Introdução à Análise Preditiva em Python

Ver curso

Instruções do exercício

Importe o método linear_model do sklearn.
A base table está carregada como basetable. Note que a coluna "gender" foi transformada em gender_F para poder ser usada como preditor. Construa um DataFrame X que contenha os preditores age, gender_F e time_since_last_gift.
Construa um DataFrame y que contenha o alvo (target).
Crie um modelo de regressão logística.
Ajuste o modelo de regressão logística na basetable fornecida.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import linear_model from sklearn.
from ____ import ____

# Create a DataFrame X that only contains the candidate predictors age, gender_F and time_since_last_gift.
X = ____[[____, ____, ____]]

# Create a DataFrame y that contains the target.
y = ____[[____]]

# Create a logistic regression model logreg and fit it to the data.
logreg = ____.____
logreg.____(____, ____)

Editar e executar o código